uob 八是一个强大而灵活的目标检测和图像分割工具,提供了两个最好的功能,最新的 sot 技术使用和比较所有以前 uo 版本的能力,并且它可以在大型数据集上进行训练,能够在各种硬件平台上运行, 从 cpu 到 gpu。 此外还包括许多其他创新向新的骨干网络,新的 enter free 检测头和新的损失函数。
粉丝2.3万获赞22.9万

手把手教你 ulov 八推理检测。哈喽,各位小伙伴,上一期我们已经单独安装了,拍照时,接下来我们第二步就是下载 ulov 八原码,这里我已经下载好了,到时候你们再 get up 搜索 ulov 八就行了。 第三步直接安装,要了一百了,依赖要了一百了,依赖在这个类似快这个文件他里面已经写好了,这是官网给出的文,安装里面的拍摄依赖就行了。我们直接进入这个目录进行安装, cnd 打开中断 又激活你的虚拟环境。 c o n d a 一起一起一起优龙 v 八,因为优龙 v 八我之前已经创建过了, 数错了, c one d a a c a c t i v a t activity you will be by 幺六成功就进入了幺六一八的虚拟环境。接下来我们安装那个文件, k p install 二二 a q, 这里等待下载就行了,官网这个文件也给出了安装命令,就是这个, 我们这里等待安装就行了,没什么难度。 好的,这里已经安装成功了。接下来我们用 p y 串打开幺六一八的项目,鼠标右击,这里有个用 p y 串打开这个项目, 第一次打开的话,他这个解析器还没有设置,我们需要设置一下解析器, 这里剪辑器设置, 弹出这个窗口,我们添加解析器设置。之前的视频讲解过了,这里就不详细讲解了。 好的,解析器加载完成了,接下来我们进行用 v 八推理 点开 ulov 八的项目,我们看到有一个文件夹叫 out, 这个点开,然后看到 ulo 要要看到一个 v 八点开,然后他这里有很多,比如说分类啊,目标检测还有分割的,我们主要讲解目标检测,点开这个里,点开这里, 然后这里有训练验证预测的代码,我们首先打开 预测的代码,首先需要改的地方就是这里的,这里就是你那个官网的模型,其中官网的模型我已经下载好了,如果你们需要的话,我我也可以发给你们,如果第一次运行的话,他会自动下载的,我已经运行过了, 然后有了一般的配置文件。在哪里呢?在这个 fig 这里, before 这里, before 点样这里。然后模型的话需要复制这个路径就行了。右击复制它的路径一,一定要复制它的角度路路径,然后把这里复制过来。 ctrl v, 还有一个你要检测的照片,检测的照片用官网的照片,官网的照片在 在这里,这里就是他的官网照片,我们选用这张照片进行推理,也是复制他的绝对路径。复制,然后在配置文件这里粘贴就行了。然后我们直接右击 一运行这个 play 的 play days, 嗯,差点找不到这里路径错了, 你看这里多了一个一删掉,你们复制的时候一定要小心一点, 你看他的预测结果,保持在这个目录下面,我们打开看,在这里 v 八这里,你看他已经检测出来了,我们在 在测试这张卡,复制这张的路径到配置文件这里,这个传送 sos 这里跟 ulov 五的差不多,直接运行 他的结果保存在这里,我们 来看一下结果,你看这里已经预测出来了。好的,这期视频讲到这里,如果配置有问题的话,评论区留言,谢谢,喜欢的帮我点个小爱心,谢谢!
![[课程][原创]yolov8训练自己的实例分割模型windows版
课程地址:
https://edu.csdn.net/course/detail/38274
学会如何搭建自己cuda环境
学会在windows上如何搭建自己yolov8环境
学会如何使用roboflow或者labelme标注自己实例分割数据集
学会如何训练和测试自己实例分割模型
课程介绍
本课程将带您进入yolov8面向实例分割框架搭建环境,标注,训练,测试等完整实现过程。主要内容如下
1、 yolov8目标检测框架基本介绍
2、搭建windows上yolov8环境
3、用roboflow或者labelme标注自己的数据集
4、转换数据集
5、配置参数
6、参数调节和训练
7、测试自己的模型
yolov8不仅仅是一个目标检测框架,也具备实例分割和图像分类的功能。让我们在cv领域多出一个非常实用深度学习算法框,本课程主要针对实例分割做自己的数据集训练,不对目标检测和图像分类训练做讲解,请同学注意一下本课程主要内容,可以先观看本课程的课程导论,了解课程主要内容和体系结构。](https://p9-pc-sign.douyinpic.com/image-cut-tos-priv/1ac95fe8d257fec1544435e6f226fb8d~tplv-dy-resize-origshort-autoq-75:330.jpeg?lk3s=138a59ce&x-expires=2110471200&x-signature=YNkonHcFNxXAQp4Z0vf6%2Bqt7DAk%3D&from=327834062&s=PackSourceEnum_AWEME_DETAIL&se=false&sc=cover&biz_tag=pcweb_cover&l=2026112002075624510ADCD2E11F05693A)
各位同学们好,我是云辉,来这节课呢,我跟大家介绍一个这个我们的课程啊的主要内容,我们这课程呢,主要是教大家如何用这个 ulo v 八去训练这个自己的数据实力啊,分割的数据啊,就是, 呃,我们这个课程主要是面向于做这个啊,十里分割的这样的一个教程。我们的这个呃最核心的课程就是教大家啊,如何去搭建自己的 uloviv 的环境,然后呃利用 ulov 八呢去呃,对这个 labor me 啊, labor me 这个 标注的这个分割式,这个实力分割的数据集呢,进行这个呃格式的转换,然后再训练啊,最后呢我们会得到一个 p t 模型,然后呢对他测试,这个就是我们嗯,这个课程的主要内容,那么我们这个 课程呢,我们的课程主要是涉及到分割的,因为这个 u v 八它本身是支持这个呃目标检测啊,图像分类啊,还有分割啊,目前话是是这样的啊,然后呢我们啊这个课程呢,主要是只在教教会大家啊,用 u v 八去做这个 啊,视力分割啊,主要是教大家去去训练自己的模型啊,得到自己的模型啊,然后,呃我们这课程呢是不对这个模型的部署啊,去做部署的啊,不做部署,嗯,这个讲解也不做这个理论的讲解啊,我们主注重于这个 啊,就是模型怎么得到啊,这个才是我们核这个课程的核心内容啊,然后呢我嗯大家在学习这个我们课程之前呢,需要准备的就是一个,因为我们这个课程是主要是在温度上,温度下面这个环境下进行的啊,其实大家可以也可以在六六六上 像这个呃新的 os 啊,或者呃乌邦图这样的系统上面啊,是可以的,但是我们这个呃主要是在呃这个我们课程主要是以呃就是我们课程是就是在温度上面去做这个黄金搭建,然后去安装的啊,所以呢 过去了我们会跟大家去做一个呃余光图的上面的这样的一个一个整个训练的流程的一个课程啊,的一个一个讲解啊,所以我们这个课程主要是在文字上面啊,然后所以大家呢一定要准备一个带有这个英伟达显卡的啊,最最少就是需要 像我的电脑这个显卡这个配置都比较辣,就是九四年 max, 嗯,所以说大家至少得准备一个像这个 gtx 就是一个英瑞达显卡的这样的一个有这样显卡的一个电笔记本。如果你是这个 amd 的显卡的话,或者说 说是呃就是没有这种啊毒血的话,那么可能就是说只能用 cpu 去做训练了,然后我们这个主要是跟他去呃做这个 gpu 上面的环境搭建,所以大家呢一定要呃准备一个 gpu 的环境,这样第一个就是说他训练会更快啊,训练更快,如果用 cpu 的话就训练非常慢啊,训练非常慢,所以呢,嗯,我们也是推荐大家用这个优惠达的,这个 呃就是有英伟达这样显卡的笔记本去做训练啊。当然你如果是像 rtx rtx 系列的话,像最新的就是三零五零啊,三零六零啊,三零七零,三零八零啊这样的一个显卡的话,那么可能就是呃就是训练会更快啊,然后呢? 嗯训练的这个呃效率更高,然后我们可以得到更快的得到我们自己的模型啊,尽可能去对我们的这个模型去做部署啊,或者说 是做这个二次开发都是呃十分有帮助的,也就是说一个好的运行环境啊,可以快速的帮我们去做一些这个训练啊。嗯 后面呢我们将嗯围绕这个呃就是围绕围绕这个课程去跟大家去做讲解,然后呢?嗯,有的就是因为有的呃就是我们照顾初学者嘛,有的是讲解是, 呃其实就是本身是很简单的,但是我们讲解是比较细的啊,所以呢导致了大家就可能说嗯觉得就是说有的课程啊,觉得就是可能就是自己熟悉的话就可以跳过,比如像香港驱动啊,一般的话, 嗯笔记本的话就是已经其实默认装的,有信号驱动的话你就不需要装了啊,所以大家可以有的客人是可以跳过的。如果大家呃只对这个啊,呃就是我们部分的章节感兴趣的话,那么 可以直接看我们章节内容啊,因为我们这个尽量的使用每个章节就是每每节课啊,我们一共有十三节课啊,我们尽量使我们的这个呃十三节课啊去比较独立,所以呢大家可以去搜一下看看啊,到后面我们都 会一一跟大家讲解。好我们这个课程导论就讲讲解到这里啊,下下节课呢我们就啊就继续就开始跟大家去做讲解了啊。

优乐吧, you only look one 自我忍吧是犹如目标检测算法的最新版本,它可以实现在图像中同时检测多个目标,并给出检测框和致信度等信息。使用优乐吧需要掌握一下步骤, 一、下载游乐八的源代码和相应的预训练权重。二、在拍箱中安装必要的酷如问、 cv、 np 等。三、加载预训练权重,建立游乐八模型, 输入图像并进行预处理,将图像转换为神经网络能够理解的格式, 在游乐坊模型中进行预测,得到图像中的目标检测结果。六、对检测结果进行后处理,包括非极大值意志 nice、 筛选出自信度超过预值的检测结果等。七、可以将结果可视化保存,或者将检测结果用于其他应用程序。 这只是优乐吧使用的基本步骤,具体使用中还需要根据实际应用场景进行一些调整和改进。对于初学者来说,可以参照优乐吧提供的文档和例子进行学习和实践。

大家好,今天要讲的内容是快速上手优乐 v 八,进行目标检测。 在本节课中,我们将在 windows 环境部署优乐 v 八,使用优乐 v 八提供的拍摄接口进行目标检测。另外,我也会进一步讲解如何阅读优乐 v 八的原码文件。 ulo 是一个端到端的实时目标检测算法,从他的名字就可以看出, ulo 算法只需要一次前向传播计算,就可以实现图像的多目标检测 做任务。 优乐算法兼顾了识别的准确率和检测速度,因此非常适合在实时检测的应用场景下使用, 例如视频监控、自动驾驶、无人机等领域都可以使用优乐来完成相关的任务。 yolo 算法于二零一六年首次推出,目前已经升级到 v 八版本。简单来说, yolo v 一到 v 三是 yolo 算法原始作者发布的版本,它的主要作者为 joseph redman。 从优乐 v 四开始,后续的升级版本来自不同的作者和团队开发。严格来说, 他们属于优乐系列的精神序作,例如美团、旷世科技等公司的研发团队都有参与其中。 我们可以在 outrelitics 公司的官网上找到 yolo 的各个版本,这些版本都有对应的开源代码。在本节课中,我们将详细介绍 yolo v 八的安装和使用方法。 ulo 模型的安装和部署非常简单,我们使用 conduct crete 创建一个新的拍摄环境,然后激活这个环境,再输入 pipe install ultra ctx, 就完成了 ulo 的安装。 接着在这个康大环境中打开 python, 输入 from autolitics import yolo 这行代码,这里如果不出现错误,就说明完成了 yolo 的安装。 打开 ultralitics 的官网,在 quick star 中可以找到 python 的样例代码。下面我们基于这段样例代码来详细说明 ulo 接口的使用方法。 我们将样例代码的前两行复制过来,第一行表示在代码中导入优乐模块,然后是 model, 等于优乐。 yolo v 八 n 点 yamo, 这句代码表示读取 yolo 的配置文件, 那我们要注意的是官方给出的样例代码中的这个配置文件。 yolo v 八 n 点 yamo 实际上并不在 yolo 的模块中,要用这句代码后也不会从互联网中下载这个文件,这一点可能会给新手带来困惑。 为了弄懂这句代码背后的意义,我们需要找到 altrolytics 模块儿的原代码,并在其中写一些 print 调试语句。最后找到真实的 yama 配置文件进行阅 阅读。 首先找到刚刚在康纳中创建的 ulo v 八环境目录,从中找到 ultralitics 模块, 具体路径是 e n v yellow v 八 lab set packages ultralitics。 继续打开其中的 models yolo 文件夹,然后打开 model 点 p y, 会看到刚刚使用的 yellow 类,这个类继承了 model 类具体的实现。在 model 类中。 从第一句的导入代码可以知道 model 类在 autolitics 下的安真文件夹中的 model 点 py 文件中。 找到这个 model 点 p y 文件后,我们要在它的 unit 函数中加几句 print 调试代码进行进一步的研究。 unit 函数传入的 model 参数代表了配置文件名或模型的名字,我们在 unit 函数的第一句前打印第一个井一标记和 model 的值, 它的下面是一些初始化的代码,我们忽略这些代码。继续向下看, 在 softix 等于 pass model 点儿 softfix 这个位置打印第二个井二标记 和 sophics 的值,然后继续忽略下两行代码。这里要注意 if sophics 音点压木这一句对于样例代码的调用方式会走这个分支,也就是进一步调用 sof 点 new 这个函数。 向下找到 new 函数,函数的第一个 cfg 参数就是我们刚刚传入的 model。 在 new 函数中打印第三个井三标记和 cfg。 下一句代码鸭某 model load c f g 是关键内容,我们可以在 ultralitics 点 n n 点 task 中找到这个函数的实现。 打开 task 点 py 文件,找到 yama model low 的函数,函数传入的 pass 就是刚刚的 cfg 变量。在这个位置打印第四个警次标记和 pass 变量。 观察下一句很复杂的代码,它具体在做什么其实我也没搞明白,实际上这行代码有什么作用也不重要。在下一句 unified pass 后打印第五个标记, 在下面的压模 low 的前打印第六个标记。实际上 ulo 最终读取的配置文件名保存在压模 file 中,这样我们就完成了必要的 print 调试代码 运行程序会得到如下结果,首先打印了标记一传入的文件名是 ulo v 八 n 点压木, 实际上这个文件根本就不存在。其实我也很困惑为什么样例代码要使用一个根本不存在的配置文件,了解其中原因的小伙伴可以留言讨论一下。 接着打印二三四五这几个标记,这说明我们正确的理解了代码的执行流程。 最后打印的标记六, ammo file 这个变量保存了真正调用的配置文件的路径, 按照这个路径 打开对应的文件夹。在 cfg models 下保存了 ulo 各个版本的配置。 v 八是我们当前使用的版本,打开 v 八目录,可以找到我们正在使用的配置文件。 ulo v 八点 yamo, 在这个配置文件中记录着必要的初始化信息,例如 n c 冒号八十代表了模型需要识别的类别,数量是八十。 scales 表示模型的规模。 backbone 是模型的主干,用于特征提取。 pad 是模型最后的决策部分,用于预测物体的类别和边界框。 弄明白 yolo 的配置后,下一句 model 等于 yolo。 yolo v 八 n 点 p t 用于加载模型。 这里要注意模型最初是没有的,依次调用,会从互联网中下载优乐 v 八 n 点 p t 这个模型。 model 点 predict 用于预测结果。这里 bus 点 gpg 是官方给的样例数据,我们可以再找一些其他的测试数据一起进行测试。 另外有兴趣的同学可以进一步使用刚刚的调试方法,在代码中写一些 print 语句调试并理解其他的接口。 还有一点要说明,即使我们最开始不加载压模配置,也可以正常使用模型和预测结果。这个压模配置文件主要是用来训练模型用的 运行程序控制台会打印出运营信息,从信息中可以知道三个图片的结果会保存在当前目录下的 rise detect predict 文件夹中。 将结果图片打开,可以看到 ulo v 八的运行结果,其中在 bus 点 g p g 中识别出了行人、汽车等,在 image g p g 中识别出了行人、风筝等等。 那么到这里快速上手优乐 v 八进行目标检测就讲完了,感谢大家的观看,我们下节课再会。

大家好,今天来跟大家介绍一下啊,我们这个用 ulov 八去呃转换成 ncn, 然后在安卓上面进行部署, 呃,然后呢我们使用的这个安卓 studio 大家可以看到啊,在左上角大家可以看到我们安卓 studio 使用的是最新的版本啊,是二零二二点三一啊,这样一个 giraff 这样的一个版本,然后呢我们使用的 gdk 是十七啊,所以呢,我们这个呃版本还是算比较新的, 然后呢,我们打开我们这个 ulv 八的这样的一个 ncn 的一个工厂,这个其实是,呃就是 get 上开源的啊,呃,这里面主要是跟大家介绍一下,就是说第一个就是说啊, 呃不是像网上说的必须得用安卓 c 六四点儿叉的版本的,用最新版本的也是可以的。然后 这个我们呃环境安装确实比较麻烦啊,比如说像安卓 s d k, 那么它可能会非常大, 然后还有 ndk 啊,还有这个,呃他的一些转换还是比较复杂的,虽然说,呃他这个程序啊写的非常棒啊,但是呢,嗯他的难点是在于环境和模型转换 啊,环境的话就是,嗯,其实环境的话主要是需要有一定的这个安卓安卓的开发经验,然后才很容易的去把它给处理掉。 呃然后呢,呃大家可以看到我们这个 beauty grander, 呃,不是这个,我们看一下这个,呃我们使呃这个这个地方呢,呃都 都是,呃,都是我改的,都是我改,就是像这个编译的 s t k 版本啊,是因为我的我电脑我设计的是二十九,所以呢,呃就改成二十九了,然后它有一个 beautiful version 的是二十九点 零点六啊,然后还有一个就是,嗯, c mac 啊, c mac 呢,需要改成自己电脑配置的,然后,呃,我自己配置的是三点二、二点三啊,然后其他的话就很容易去做了, 呃,好,然后呢,就是啊,如果说你是这个啊,就自定义的模型的话,那肯定是需要改那些代码啊,需要改那些代码,然后如果你是这个,就是说啊,那个是官方的模型八车类的话,那么 啊其实也是要改一些的,但是改的很少,但是不会像那个自定义模型比较多啊,主要是在这个 s r c, 然后 gni 里面改,这边大家可以看到这边有优乐 cpb 啊,这里面要在这里面改,比如说像改你的类别,比如说有两个类别的话,你肯定都是要改, 像这个类别,大家看到啊,这个就是它的类别啊,所以呢,如果你是这个猫和狗两个类别的话,那那肯定是要改的啊,要改的。 呃,还有一些就是需要改的话,可能就是啊需要大家去根据自己的时间去改了,比如说像他的一个 啊,他的一个接点名称啊,输出接点名称啊,这个啊,呃是需要更加大家用这个啊工具去看一下他这个 os 里面他的一个接点,或者说 是看你的这个 ncn 模型的一个接点是什么东西啊?嗯,然后这个,呃我们就是实实际上测测出来,就是啊,大家可以看我们这个地方直接选标准那个 project, 大家看啊,这个地方呢,基本上就可以这个 build 下来,因为这个我已经 build 下来了,所以他不是, 呃特别麻烦啊,因为这个啊,因为我这个 beat 过了,所以很明显它是可以通过的, 那如果说你的代码没有任何问题的话,你只需要用这个这个 bird, 然后这个地方有一个叫做, 呃,接着为它 sine 的绑纸或 a p k, 你这样可以生成这个 a p k 啊,你看像我这个就已经这个成功了,那么我们只需要在这个地方啊,需要构建一个 builder a p k, 然后这里面有个 k 啊,大家可以自己去定一个 k, 但是 ctrl 六一个, 那么啊,然后就 nest, 然后选 release, 然后点击创建,那么它可以,它就是它会自动的去生成这样的一个 a p k, 那这它最终生成的 a p k 在哪里呢?它在这个大家看到这个幕后上面有个 a p p 啊, a p p 里面有一个叫做 release, 然后大家看这里面有一个 a p k。 啊,这个 a p k 呢?大家就是我用这个虚拟机测试过啊,就是大家可以看到这个地方是已经闭入的 saosa 是已经成功了 那,呃,如果说你用虚拟机测试的话,我测试过啊,因为他这个是摄像头的,你如果用虚拟机的话,没有摄像头他测不了啊,所以他这个 啊需要在甄姬上面去测啊,大家可以用甄姬去,在甄姬上面去这个模拟调制啊,呃,然后呢?呃,基本上都是可以成功的,他主要是在 u v 八里面, 它主要是它的一个转换比较麻烦啊, 它呃,就是呃网上呢,它有一些,呃,就是说,呃,大家可以看到啊,这个地方是我做的笔架,然后我们这个使用的 ndk 是二二五 c, 然后这个地方呢使用的是二零二二三一,就是最新版的安卓系列, 然后这个随便可,然后啊这个是我们的元宝,大家可以去看一下,然后他们最主要的就是这个啊,这个网站,你看这个网站啊,这个网站呢,他 现在不知道为什么不能用了,所以大家需要去用这个啊,就是用这个 ncn 去做转换啊,所以大家需要去下 ncn 的这样的一个编译包,或者自己编译也可以啊。呃,除此之外呢,还需要改这个啊, ulov 八的原码 需要改,不然的话跑不起来。呃,整体的来说啊,我们这里面没有什么用到什么东西啊,它主要是用到这个啊,当然装环境特别麻烦。第一个要装环境就是你要把安卓 studio 的环境给答案起来,比如像安安卓 s d k, 安卓 n d k 这样的环境呢,尤尤其是安卓 s d k 可能就是十几个 g 啊,大家看到 我这个在这个,在这个安卓是 s d k 里面,你看我大概你看一下多少计啊? 光保守啊,就光我这个东西保守的话,他他就用了大概就十十几个 g 吧,看一下他现在你看 啊,如果嗯用大概用了十个十 gb 的,刚好十 gb 啊,那么如果你都装的话,那可能就五六十 gb, 所以推荐大家不要乱装啊,因为你我最开始一装啊,装了个二三十 g 啊,直接把这个盘子给撑爆了,所以呢这个装还是要 效的。然后第二个就是需要大家去呃,关注的就是他的一个啊,优乐微八的环境啊,优乐微八的环境,然后训练的话就是跟正常的优乐微八训练是没有任何问题的,就是说你把优乐微八原版改了,是不需要 去重新训练的啊,所以呢,嗯,但这个原版要改不改是不行的。 然后就是 ulov 八的环境要自己搭建,然后还有安卓 os dk 这个环境要搭建啊,其他的就没什么东西了,就是其他的就是按照这个, 呃呃,就是教程走就行了,基本上网上都有,但是遇到的问题可能是很很很麻烦很多的,所以呢,我们这个基本上就把它跑成了。然后,呃,模型的话,我们就是用官方模型从 p t 啊,然后到 n s 代 n c n 这样去转啊,基本上整个流程 已经打通了啊。呃,然后我在这个电脑上测试啊,就是跟大家去说一下,就是测试的结果。呃,因为我的是红米 k 四零的啊,我的手机是红米 k 四零的,然后,呃,我测试的这个是一路尾巴 n, 然后用 cpu 和 gpu 去测, 实际情况就是感觉就是 gpu 提升的能力不太大啊,嗯,就是感觉这个 cpu 跟 gpu 是差不多的啊,这个我不知道是什么原因啊,反正就是大概有三十 fps 左右的样子,当然你的这个后台不能用开其他的程序,那开其他程序可能就会更慢了, 这跟电脑的性能也有关系啊,所以这个基本上就是这样,就跟大家介绍完了,然后大家看到我们整个的流程应该是掌握是没有过,没有问题的。

ah coconata you're good at that kiss all。 无论你,无论你喜不喜欢弟弟 哎哎 come in with duncan mario no i needed those duncan bamba here 河南 who know i'm a thing you need a。 我是 莫斯科斯的,看过你 难得过去。 it's only you have a delay question am i calling rosie honey are you doing your homework take a new open。

给他一个优乐目标检测系统,他能顺利毕业。哈喽,各位小伙伴,今天我们演示必设基于深度学习的目标检测系统,可用于车辆、行人目标检测,各种检测系统都行。 我们点击进入主程序,然后可以进行图片检测,我们随便拿一张图片进行检测, 这里我们拿官网的照片来, 这里面检测出他的视频检测,我们拿这个视频检测, 我们这里可以查看他的检测流量, 他的每一针的数量。 嗯,这里可以改,比如说人流、车流都行,这里没有改, 如果不想看的话可以放掉,这里可以暂停, 我们看系统说明书,这里有介绍的。好的,这期视频讲讲解到这里,谢谢观看。

今天给大家介绍一个停车位计数器的项目,使用阿芬 cv 和优罗 v 八检测停车场剩余车位,提醒车主停车场各个区域的剩余车位信息, 使停车场车位管理更加规范有序,提高车位使用率。 ulov 八是一个使用配套取框架创建和训练的剪辑神经网络模型,是计算机视觉领域最流行的目标检测算法之一,运行代码来看看结果吧!


大家好,今天来跟大家介绍一下如何在用使用这个 ulov 八啊,然后部署这个到这个 ros 这样一个机器人的一个操作系统这样的一个环境中去啊。那么我们使用的这个是呃最新版本的 ulov 八啊, 因为一六八的版本不太一样,所以它里面的 a p i 的变动还是比较频繁的啊,因为它更新也是比较频繁的,所以它变动比较大。 大家看到我们这个原码呢,整个就是用 python 部署的,所以它这里面没有 include, 上面是没有东西的, s r c 也没有东西啊,我们都东西呢就这一点点,这一点点,然后这个位置呢,我们其实在这个地方是没有用上的,其实我们就这这几个文件啊, 然后呢我们主要是这个分了一个类,然后去直接在 python 里面去调就行了。然后 大家看到我们的代码量其实不是很大,把代码已缩到很少了,这是我们的一个代码,其实很少很少。 呃,然后,呃,大家看到我们整个的原码其实就是非常少了,它其实就是用用一个这个呃官方的 ulo 八码,它因为封装的比较比较好,所以我们只需要再给它加一个类就可以了。 呃,注,呃,这就是我们整个原版的一个结构了,我们的原版呢,其实并不多啊,并不多啊,然后呢我们看一下怎么去跑啊?我们演示呢是用这个乌邦图的虚拟机啊,大家看到我们使用的是 vmw, 然后呢我们这个使用的虚拟机,然后我们使用的是乌邦图十八点零四啊, 第一步呢,我们还是就是把原版放在我们的这个工作空间里面啊,大家看看,我们 原码是放在 s r c, 然后这里面这就是我们放在原码放在这了,然后呢我们这个呃要首先第一步就是把这个 r s 扣给提起来。 好,大家这个就取下来了,然后呢把我们的这个移动电源大家注意一下这个地方呢,一定要把它连上,连上我们的笔记本的摄像头,不然的话它跑不起来。 然后呢我们把这个摄像头给提起来。好,大家看到这个就是我们的摄像头啊,我们的摄像头啊,摄像头我们提起来了以后呢,我们最后把我们的这个 ulov 八的这个东西提起来。 好,大家看到我们这个骑起来没抱错,好,这样可以就可以看到了,大家就可以看到这个是我们原原摄像头啊,然后呢这个是用 u 六 v 八去做的检 检测,大家看到这个已经检测出来了,因为他默认的是检测八十个列,所以这个地方呢,呃大家也可以去自己去训练模型啊,然后去呃做一些这个, 去做一些这个自己的部署啊,这个是整个的我们的一些部署情况,就,然后演示就就到此结束了,我就不跟大家演具体做演示了, 我们把这个关掉。 呃,大家看啊,这个就是我们整个的一个呃这个结构了,其实呢,呃,因为我们使用的是拍层去做部署啊,他其实就没有什么东西在里面啊,其实就是还是用的拍层的环境去做的部署, 然后他这边有这个,呃这个地方呢,他有这个订阅的话题,还有发布的话题啊,大家可以按照这两种订阅和发布的话题呢去做一些自己的开发,这就可以了。嗯,好,我们的演示呢就到此结束,欢迎大家收看。

大家好,今天来跟大家介绍一下如何在 windows 上面部署这个 ulo v 八 tense r t 的模型。 那么我们啊这个已经写了有一套啊,就是以前呃我写的这个去准备是用 c 叉步去调的,所以我们这个地方呢,其实写的是 c 叉步,你看我们写的 c 叉步给调啊,其实我们之前也写了有 c 加加,所以我们这个 c 加加是可也可以直接调的啊。嗯, 那么我们这个呃就是其实 ulv 八的部署呢,其实,呃开源的有很多啊,有很多 呃,像我,像我这个其实也就是开源的,也是开源的啊,拿到开源的呃稍微把它封装了一下啊,所以呢封装了以后呢,我们这边就是相当于我们调用呢,其实也不是特别的麻烦啊,就很简单。呃,我们这个地方呢就是他可以就是因为我这 这个地方呢使用的是这个 windows 上面的这个配置啊,所以呃其实是也是适用这个 b 六四,就是你如果是乌邦头的系统的话,那他也是支持的,但是你要改什么意思啊? 啊?因此呢,我们就在温度上面啊做了一些部署,比如像这个 n to n 的,然后还有一个像正常的这样一个 ctrt 模型啊。嗯, 好,我们看一下它这个啊,我们用这个 ulov 八 s 啊,它转至成成 z r t 啊,然后呢进行这个模拟,去看一下效果,然后我们这个分辨率是 六四零乘四六零的啊,所以复变率不高啊,然后我们整个的就是用 ulov 八 s, 整个大家可以看到我们这个地方呢啊, 就是随着你 这个啊目标检测的这个,因为我这个这统计的时间啊,是算了这个后前处理,后处理都算了啊,不是跟那个 一般的话,他只会算推理的时间,我们这个地方算了这个前处理后处理的,所以呢,这个数值偏小是正常的,是正常的,而且大家看啊,他检测的目标,你看他后面检测目标越来越多了,他就会变小,变小最开始是九十多,现在变成六十多,最终稳定在六十多,所以 它这个数值呢,是跟那个,而且它这个数值是跟这个你的,就是跟那个 cpu 的资源也是有关系的, cpu 的资源也是关系的。因为我因为我现在这个呃开的有其他的这个程序在录屏,所以它这个 啊会占用一部分资源,所以他也会导致他会降低啊。但是这个至少说明我们这个部署是没问题的,部署有问题的, 这个是我们用这个一般用,还有那个 end to end, 按一下 s t o n 的 这个就这个这个其实这个也是正常的,因为他这个是因为我这个啊开的有,开的这个东西开的有资源很卡,因为以前,而且我这是 debug 模式的, debug 模式的,不是现在,像这个刚才那个 reads 模式。 所以大家如果说啊,你的,你,你如果你这个退的比较慢,那你就要注意一下你到底是什么模式啊?比如像我这个刚才这个演示的是 release 的模式,你看在我是 bill 的 release 啊, 所以他没有这些调试信息在里面,所以他看起来比较比较快啊。还有一个就是你如果是 dbug 的话,那肯定就更慢,你看我刚才 dbug 才十几张,我才三二 d, 不可能才这么慢, 是因为你这个它是一个第第八个模式,然后它,而且它是一个,而且我们这个 cpu 占用它就就很慢。以前之前我们这个,呃,就是跑程序就发现这个问题了啊,所以说大家不要以为就是慢,是因为你转的模型有问题啊,实际上 跟其他的,跟你编译的类型,跟你这个系统资源都有问题,都有关系啊。呃,然后呢?我们这个 u v 八,其实,嗯,部署就是还是比较方便的。目前的话 啊,其实先前我在这个其他视频发布过了,就是用用 c 叉不去调,在哪踢啊?这个其实啊,就是,呃,我 封了一个系列,你看大家可以就现成啊,现钱的啊。所以呢,这个其实是我把它弄成了一个 c 加加,就是,呃,前提是能 c 加加能部署吗? c 加加部署了以后,那它的 r t 呢?它的 c 上方上面也可以部署,所以我们就可以做这样, 呃,这样的一个跨语言的部署,所以我们这地方呢,其实是有这个部署的这个东西了,而且我们做的,呃基本上整个流程都跑通了,应该是没什么问题的。好,我们这个介绍呢就到此结束,为大家示范。

大家好,今天要讲的内容是基于优乐 v 八训练一个安全帽佩戴的目标检测模型。 在本节课中,我们将使用 ulo v 八提供的 python 接口训练一个佩戴安全帽的目标检测模型。完成模型的训练后,使用这个模型识别图像和视频中的人物是否佩戴了安全帽。 首先需要准备训练数据,最简单的方法就是在开购平台搜索相关的数据。打开开购平台,搜索 safe, tea helmet 或者 worker safety 等等,可以找到相应的训练数据。 这里需要注意数据格式,例如 safety helmet 这份数据的格式是 pasco voc, 而 sat safety 这份数据的格式是 yolo v 八,前者需要将数据转为 yolo 格式,后者可以直接使用。 我们选择 set safety 这份数据下载后可以直接使用。 将下载的数据解压在 c s s data 文件夹中。春运保存了两千六百零五个训练数据, valid 保存了一百一十四个验证数据, test 保存了八十二个测试数据。 打开春雨文件夹,其中 image 文件夹保存了图片数据, levels 文件夹保存了数据的标记结果,标记格式为 you 格式。同一个数据的数据名和标记名是相同的,可以对应上 我们随意打开一个数据图片和对应的标记数据。简单来说,每一行表示一个目标物体,在标记数据中包括了十四行,因此对于这个图片数据会标记十四 这个目标物体。 每一行的数据格式如下,第一列是 class id 代表类别的编号。第二列和第三列是 x center 和 y center, 代表物体边界框中心点的坐标。 第四列和第五列是 white 和 height, 代表物体边界框的宽度和高度。这四个值的取值都在零到一之间。 我们以图片中的第一个目标物体来说明,也就是红框标记的蓝色安全帽,它的标记数据是第一行零,零点四九八,零点一一零等等。这里的编号零 对应类别,安全帽 边界框中心点的坐标是相对于图像宽度和高度的比例。边界框的宽度和高度同样是相对于图像的宽度和高度的比例。 例如,这个蓝色安全帽边界框中心点的 x 坐标是零点四九八乘以 image y s。 中心点的外坐标是零点一一零乘以 image height。 物体边界框的宽度和高度分别为零点零二一乘以 image white 和零点零六二乘以 image height。 另外,从这张 图片可以看出,每个图片可以分为多张子图,每个子图也包括了多个目标物体。因此这份数据虽然只有两千六百零五张图片,但实际上可以有两万多个标记。结果, 使用康大 create 创建一个名为 safe head 的新 python 环境,其中 python 版本选择三点十, 创建后激活环境,并输入 pipe install autolitics 安装 yolo。 完成。安装后需要编写一个模型训练使用 的压帽配置文件,文件取名为 save head 点压帽。该文件说明了数据的地址和待训练的类别。 数据的地址有三个路径, train 对应训练数据, v l 对应验证数据, test 对应测试数据。 接着定义模型的类别数量。 n c 冒号十代表十个带检测的类别。这十个类别的名称保存在 names 中,这里我们重点关注 heart head 戴安全帽和 no heart head 未戴安全帽这两个类别。 编写模型的训练代码 ulo trim, 点 p y 一行表示导入 ulo 模块。 第二行加载 yolo 的预训练模型 yolo v 八 n 点 p t。 这个模型使用了 coco 数据级训练,是通用的目标检测模型,我们将它作为基础模型,在该模型的基础上训练安全帽。模型 第三行代码表示训练自定义的数据级,数据的配置,保存在 save head 点压没中。已 pose 等于一百,表示一百轮迭代。 最后串一点 v a r 表示使用验证机验证效果。 完成训练代码的编写后, 运行训练程序 ulo tree, 点 p y。 从运行后打印的调制信息中可以看到,我们当前的环境是 ultralitics ulo v 八版本 python 三点十 c p u 环境进行训练。 训练需要持续一段时间,每个已 post 可能需要训练三到五分钟,整体训练一个下午基本就可以完成了。 完成训练后,会在当前目录下的 runs detect train 路径下保存训练过程中的数据和模型文件,其中 waits 文件夹中保存了模型文件。 接下来我们使用 bass 的点 pt 进行测试。 编写测试代码 you low test 点 p y。 首先导入训练好的模型 nice 点 p t。 这里我们可以随意找一些测试数据,也可以自己构造一些数据,图片数据和视频数据都是可以的,直接将数据传入接口就可以了。 另外,在识别我自己构造的数据时,传入了 classes, 等于零二,它代表只输出零和二这两个类别, 也就是指识别安全帽是否佩戴 linewise 等于三十,表示指定识别框的字体大小为三十。 运行测试程序可以看到模型识别数据的过程,视频会一针一针的识别,识别结果会保存在当前目录下的 runes detect predict 中。 打开结果文件夹,可以看到图片和视频的识别结果, 其中视频会将每一针都识别好。从视频中可以看到人物安全帽、安全衣、挖掘机都被识别出来了。 另外,在识别时可以只选择一部分需要 识别的类型,例如在我自己构造的数据中,只识别是否佩戴安全帽这两个类别。我们可以看到模型准确地将结果识别出来了。 那么到这里,基于 ulo v 八训练,一个安全帽佩戴的目标检测模型就讲完了,感谢大家的观看,我们下节课再会。

必设基于优罗 v 八的钢材缺陷检测系统。接下来上才艺选择一张钢材表面缺陷图像,点击开始检测按钮,等待模型预测输出结果。图片检测在右图,并且左上角输出统计结果。

大家好,今天来跟大家介绍一下如何用 ulov 八啊,通过代码的方式啊,做那个实力分割, 然后呢,我们就是因为这个分割啊,我们知道如果说,呃这个官方呢,它是有一个 cri 的这样的一个 mini 啊,可以就是 cmd 上的 mini, 我们可以去直接用那个 ese 去调用啊, 但是我们在做实际的应用中,我们不可能是通过这个命令行去操作的,我们需要对它代码作为作为这个, 呃二次开发啊,比如说我需要对你们的分割做分析啊,或或者说我需要一个实时的去做分割啊,或者说我要做分割,我要在里面去做一些过滤啊等等。 因此啊,我们就分了封封装了一个类啊,大家可以看到我们整个过程啊,你看,呃就用了几几行代码,就用了七行代码啊, 基本上就可以完成一个完整的一个分割的一个例子啊。首先呢,我们调调调导入这个类,然后我们导入自己的模型,你也可以训练自己的分割模型。然后呢,我们导入以后啊,大家可以指定用这个东西来去指定啊,那么指定以后呢?默认的哈,大家可以看到我手我的鼠标指向的时候,大家可以看到他有两个参数, 第一个是它的模型的路径啊,第二个就是它的 confidence, 就是它的一个执行度是多少啊? 呃,默认的话就按照他这个默认的执行度啊,就可以了,然后那个然后呢,他就会得一个呃这样的一个对象, 然后我们读读进去,然后我们把这个 inference 调用,这样一个 inference 一卖给就可以把结果得到,然后得到以后呢我们就可以把它做一下就可以了。然后呢我们啊为了呃演示了,第一个就是使用类似于官方的这种做, 就是我们直接在原图上面进行加权,就是对 mask 然后跟原图啊做一个呃加权,那这样呢形成一个呃这样的一个这样的一个模式,大家看这个就是相当于官方的那种模式,就是在原图上面把 mask 呢这个 画上去,甲醛给他画上去,然后这个地方就是这样的效果。然后呢呃就是呃我也做了一个, 就是不不加权的啊,不加权的,不加权的话我们就直接通过是一种那种 max 的形式啊,然后再把那个图像给画上去啊,大家看到啊, 呃,我也就画了,所以他大家只需要改个二就行了。大家可以看到我们这个掉以后啊,大家可以看到这个地方呢直接就是个 max, 你看 max 型,然后这个 max 里面就是颜色啊,这是我画上去啊,大家如果要是做开发的话,可以把这些呃画框的地方呢代码去掉就行。 然后呢呃我们这个呃封装的代码呢,其实也不是很多,大家可以看到我们的代码,也就是一百五五啊,就是大概就是一百多,行吧。 然后呢我们这个代码,大家可以看到我们这个呃代码,我大家看到我们这个代码,基本上啊,你看,你看我们这个代码其实就是一个,这个就不用看了,这就是一些图片。然后这个就是模型,大家看我们实际上只有用了一个文件,就用了一个文件 啊,所以说我们这个封装十分简洁,然后呢,呃,还有我们这个 ulov 八是用哪些版本啊?就是理论上支持后续的所有的 ulov 八版本都是支持的啊,也就是说我们这个是通用,通用的一个呃,就是呃 ulov 八框架,也就是说 ulov 八如果后面更新的话,那么 啊我们基本上就是我们可以说说各,就不用改代码就可以实现他的这个呃分割,所以我们就可以无视他版本, 这样呢我们就呃对分割方面呢就是非常方便啊,非常方便。这样呢我们就相当于我们用几句航代码就可以实现一个比较完整的 ulov 八的一个分割任务啊, 大家可以换成其他的,比如说像这个 n 版本的 s 版本的啊,因为我是我做例子吗,所以我就给了个 s 啊,大家也可以给其他版本都行。然后呢, 呃我们这个风格呢,其实相对来说还是比较呃简单的,就是总而言之就是 ulv 八啊,其实总体来说 ulv 八目前的话,他提供的这个呃模块呢,是非常高度集成的,也就是说而且是非常友好的,我们基本上啊就用少量代码去做 那个复杂的这些呃任务啊,都是非常方便的,非常方便的,你看大家看到我们这个整个了就用了墙面码,就实现了一个风格的任务啊,这个就是呃我们这个视频的介绍啊,欢迎大家收看。就算我们还会介绍其他的,就是以前我也介绍过像游乐威武的啊,哎,这个啊,后面我们还会出这个游乐 v 七的啊,欢迎大家收看。

想入门或梳理目标检测领域,这篇论文一定别错过。其对目标检测网络 yolo 的演变进行了全面的分析,对 yolo v 一道、 yolo v 八每一次 更新、迭代和贡献进行了总结,讨论了模型结构变化及美代网络训练技巧,总结了美代网络的经验,包括 ulix dumbo、 ulo ppulo。 此外,为方便大家理解和运用,还给大家准备了 ulo v e、 ulo v 八相对应的论文和配套代码,赶紧收藏备用吧!

大家好,今天来跟大家介绍一个项目,这个项目就是用 ulo v 八的这个 o x 和这个 bid track 实现一个目标追踪,就相当于我们使用这个 ulo v 八的 o x 模型啊,然后呃结合这个 bid track 算法呢,我们实现一个目标追踪的一个算法。 呃,首先呢,我们呃呃我们这个元宝呢,它的环境是有要求的啊,必须要求这个大于等于 open c v 四点七点零啊, 那低于这个版本肯定是用不了的,所以大家注意一下。然后我们的 o n n s run time 这样的一个库呢,是微软的这个出的这个库的话,它呃测试的话是一点十二点零,所以这个呃库的要求是有要求的啊,不然的话它跑不起来。呃 呃第二个点呢,就是说啊,我们这个整个使用的是 cmag 工程,也就是 cmag list, 大家看这个就是 cmag list 啊, 然后呃理论上啊,我们这工程是支持这个 linux 和 c 幺幺啊,都是支持的啊,但是呢,你要改路径啊,比如说像这个 opens up 路径在哪里啊?你需要改这个在文字上面呢,我是啊,自己指定一下就可以了,这是在文字上面,所以我演示都是在文字上面的。 然后呢,呃我们的这个代码呢,其实代码量不是特别多啊,不是特别多,就是我们不看这个东西啊,我们不看这个里面有多少原码,有多少铜价,我们只看这个最基本的一个就可以了, 大家看看啊,它首先它就是加载这个 o s 模型,然后通过摄像头读取啊,获取它的这个摄像头的一些啊,就是视频的一些参数啊, 当然这个地方传摄像头也是可以的,然后这里边啊可以传一些,就是可以得到它的一些参数,然后我们可以看到啊, 呃,他得到这个我们主要第一步吧,主要是得到头像,是吧?然后第二个就是对他做目标检测,我们得到一个这样的 option 的词,这样的一个 自己创下了一个结构体啊数据,那么我们会把它放到这个 update 里面去 update, 然后最后我们得到结果把它混上去就可以了啊,这个就是我们整个的流程思路啊。 好,首先呢,呃,这个我们使用的是 vs 二零一九啊为例子啊,所以大家呢,最好是跟这个版本同步啊,不然的话你跑不起来,比如说,嗯, 呃,就是,呃,理论上也是支持二零二二的。 vs 二零二二,二零一七那是可以的,但是,呃要跑起来的话肯定是用二零一九,因为我是在二零一九上面测试的啊。 然后呢,我们这个,呃就是编译一下就可以了,来看看我们编译很很明显就成功了。呃,是这样的,因为这个,因为 o n s 转碳嘛,他们都是,我们都是用的 release 版本啊,所以你这个,呃不好,不太好调试,因为你这个 如果切换到第八个模式的话,他就是,呃有可能会有点问题啊,因为因为什么会有问题啊?是因为你的第八个库和 release 库他不一样的啊。然后我们这个边移通过以后呢,我们可以就是测试一下,我们跑起来试一试。好,大家看到我这个地方已经这个顺利的跑起来了啊, 然后大家看啊,这个,呃,你看这个 m p s 还是特别慢的,才二,才二, 但是目前的话他们都已经被检测出来了,因为我使用的是默认的八十六啊,这个这个特别慢,这个 i p s。 现在只到一了, 他这个是有,就是他也是跟你的这个运行的情况有也也是有有一定的关系的,就是比如说啊,比如说我从这门打开啊,再跟大家演示一下,他这个烧就会稍微快一点, 大家看到啊,这个明显的就稍微要快一点点啊,但是他也是,呃,也是跟电脑的这个性能有关系啊,就是我昨天 啊,昨天测的时候大概就是六吧,他 fps 是六啊,现在变成了二,每次还都不一样。总而言之呢,因为用 cpu 的话可能就慢一点,因为他毕竟使用的是 这个 u v 呃 u v 八这个呃大点的模型,所以它这个是比较慢的,然后再加上它是 c p u 啊,所以它整体来说是比较慢的,那你换成这个 啊,这个是呃,这个 ulo v 八 s, 你看它这个其实还是参数量有点大的,所以它比较慢,但是如果你换成 n 的话,可能它就稍微快一点,那我就给大家来换一下,演示一下 啊啊,我就换了一个 ulv 八的 n 的模型啊,大家可以看到啊,这个是都参数量都比较少了,你看,然后,呃我就,我就不重新编译了,然后我就直接把这个 ulv 八 n n s 改成这样,名字一样的,然后我们再跑一下试试 啊,大家可以看到这个明显的就是要比呃前面一个要快啊,要快一点, 因为这个可能就是跟 cpu 占用有关系啊,刚才跑的是它的 f p s 大概是十七啊,十七左右啊,不知道为什么它这个显显示就很慢啊, 可以重新再跑一次看看。 呃,很明显啊,它这个物体多了以后,你看它就会越来越慢啊,它的物体多了以后,它就它的 f p s 就 就会越来慢,但是它那个检测的物质少的时候,它的这个 i p s 就会越来越高啊, 但总体来说,我们这个肯定是这个代码应该是没问题的,代码应该是没问题的啊, 啊, 好,大概就是这样的吧,它的这个好像也跟这个,从这个统计的这个视频的演示来看,它这个即使它的数量降低了,它 i p s 基本上也就没有怎么变化。 ok, 这样就演示就到此结束了,我们撤下了。 呃,然后呢,就是啊,我刚才把这个录屏的这个软件关了以后呢,大家,呃,可以看到它这个 f p s 就是十六和十七啊,然后我看了一下,基本上我已经在十六和十七。 可见啊,这个程序的运行呢,跟你的这个 cpu 占用还是有关系的,如果你打开其他软件被占用了,那很有可能会导致你的这个 lps 降低啊,所以呢, 刚才我们演示的越来越慢了,就是因为你这个开的有其他的软件啊,在这个占用这个 cpu 啊,所以它导致很慢,然后我,呃把它演示关了以后,大家看这个截图啊,当然这 只是一张啊,但是,呃,事实说话就是啊,我就看就是把这个录屏软件关了以后呢,他这个 ips 就是大概在十七 ips 左右的样子啊 啊,总体来说啊,我们代码应该是问题不大啊,毕竟是也是就是开源的代码改的,所以问题不大。呃,主要就是, 嗯,确定的话,就是第一个就是呃它支持 windows 和六四了。第二个就是说如果你的 o r s 转 time 是 g p u 版本的话,那么肯定是可以使用 g p u 的, 因为这个代码里面其实也做了一些就是 cpu 和 gpu 的自动切换啊,但是你需要你的这个呃扩大环境和 o s 轮胎等要要支持才行啊。所以啊,我跟他演示了,我们就使用了 cpu, 这样我们就不需要关注于扩大的东西了, 就是呃 gpu 加速的问题,所以我们就演示一下就没问题了。呃,好,这个代码呢,基本上就是这样的,所以演示就到此结束了。然后呃,感觉就是啊,其实啊,大家知道啊,就是 呃追踪和 beautre 的追踪呢,其实,嗯,其实有比较好的算法,其实我们稍微改一改就可以了,可以嵌入到任何的这个目标的框架里面,比如像呃呃,开源的也有啊,像 ulov 八, tender 七啊, oppo x 啊,甚至可以用这个 ulox 啊,这些检测框架 ulox 啊,都是没问题的。呃,好,我们这个演示就到此结束,欢迎大家收看。